FA-SVM在上市公司财务预警的应用.docVIP

FA-SVM在上市公司财务预警的应用 摘要：将因子分析和支持向量机相结合构建组合预测模型，并以317家制造业上市公司为样本，进行财务预警研究。结果表明：因子分析提高了支持向量机的判别效率，能有效预测企业的财务危机，该组合预测模型具有较强的实用价值。 关键词：财务预警；支持向量机；因子分析 财务预警模型是指利用企业财务指标或非财务指标体系来预测或判断企业财务状况的模型。传统的财务预警方法主要有：单变量判别分析、多元判别分析、Logistic回归模型、Fisher模型、Bayes模型等。传统的模型通常建立在严格的假设前提下，然而现实中有些假设往往很难满足，从而导致模型的判别效率不高。随着数据挖掘技术的发展，神经网络被应用到财务预警中，且被证实其判别能力优于传统的模型。支持向量机作为一种新的神经网络，拥有强大的分类泛化功能，已在众多领域得到了广泛的应用。虽然支持向量机的判别准确率很高，但对多元共线性敏感，当变量的相关程度较高时，将会影响到模型的预测准确率。因此，引入因子分析法对样本变量进行处理，使其不存在共线性问题，同时降低了问题的维度，提高了计算速度。 一、因子分析和支持向量机组合模型 首先将原始数据进行因子分析（FA），即对原始变量进行特征提取和压缩，得到低维度且不相关的数据，也就是将大量的输入变量浓缩成几个公共因子。然后将新的数据输入到支持向量机（SVM）中，进行模型训练，从而建立因子分析和支持向量机组合的预测模型（FA-SVM）。图1是FA-SVM模型的流程图。 二、FA-SVM财务预警模型的应用 （一）模型样本的选择。将上市公司财务状况亏损作为财务危机的标志，在选取危机企业样本时，以因连续两年亏损而被标注*ST的制造业企业为危机企业，排除因其他原因被标志*ST的企业。选取沪深两市A股市场上2015-2017年三年中被标注*ST的制造业公司共77家，非*ST公司240家。假设被标注*ST的年份是第t年，选择样本公司t-3年的财务年报数据来建立模型。数据均来至锐思金融研究数据库。（二）财务指标体系。1.财务指标的初步选择。为了比较全面地反映企业的财务状况，在参照国内外学者己有的研究成果的基础上，并结合我国制造业上市公司的实际情况，初步选取了25个财务指标，涵盖盈利能力、偿债能力、成长能力、营运能力、现金流量五个方面，具体见表1。2.财务指标的检验。进入模型的变量应在*ST公司和正常公司之间有显著差异，才能得到较好的判别效果。采用独立样本T检验对各指标进行筛选。在显著性水平0.05的情况下筛选出15个指标，见表2。（三）因子分析。对数据进行KMO检验和Bartlett球形度检验，其中KMO=0.596，同时Bartlett球形度检验给出的相伴概率为0.0000，即Sig=0，小于显著水平0.05，因此，认为数据适合于因子分析。按照特征值大于1的标准提取公因子，可提取前6个，分别设为F1、F2、F3、F4、F5和F6。这6个公因子所解释的样本总方差的累积比率为81.98%，说明这6个公因子可以反映原数据81.98%的信息量。6个公因子所代表的含义解释如表3所示。计算各个样本在这6个因子上的得分，并将其作为支持向量机模型的输入。（四）支持向量机模型建立及结果分析。将因子分析得到的各样本的因子得分作为模型的输入，并将样本的50%划分为训练样本，另外50%作为测试样本。通过Clementine软件的多次训练，得到最优模型预测结果见表4，表中同时给出未经因子分析处理得到的模型预测结果。财务预警模型的目标是发现财务出现危机迹象的公司，对投资者和债券人来说可以避免因决策失误造成的损失，对于企业管理者来说可以及早发现财务异常迹象，调整企业的经营策略，改善财务状况。因此对*ST的错判造成的损失是巨大的，模型的评价也应以*ST的预测精度为主。根据表4，单纯使用支持向量机模型（SVM）的训练样本总体预测精度达到86.25%，*ST的预测精度达到77.50%。但是其测试样本中*ST的预测精度只有56.76%，总体的预测精度也只有75.16%。测试样本的预测精度相对于训练样本降低了很多，特别是*ST的预测精度降到了60%以下，这样的预测精度将给模型使用者带来极大的风险。因此，因此单纯的SVM模型应用于预测不太合适。结合因子分析的支持向量机模型（FA-SVM）的结果无论是训练样本还是测试样本都比SVM模型理想。训练样本*ST的预测精度达到了85.00%，测试样本*ST的预测精度也达到了70.27%，说明FA-SVM模型的泛化能力还是不错的，基本满足实际应用的需要。 三、结论 利用因子分析对支持向量机模型的输入数据进行处理，降低了数据的维度，减小了指标间的相关性。利用